基于朴素贝叶斯轨道交通网络客流分配模型

在充分分析轨道交通行程时间组成要素及分布特性的基础上,利用已知AFC数据对行程时间参数进行估计,提出一种基于朴素贝叶斯分类器的轨道交通网络客流分配模型。利用AFC数据估算行程时间组成要素参数,得到OD间每条路径行程时间的均值及方差;将每名乘客的AFC数据作为一个样本,行程时间作为一个特征属性,利用朴素贝叶斯分类器进行概率分类,将每名乘客划分到后验概率最高的某条路径;得到轨道交通OD间每条有效路径的客流。根据广州地铁算例验证及仿真实验结果表明,该方法能较好预测每条有效路径客流分配比例。     

基于BP神经网络的轨道交通客流分布模型

轨道交通费率清分的实质是在不同线路下网络客流分布的问题。在充分考虑乘客出行路径选择多要素的基础上,提出一种基于神经网络的轨道交通客流清分模型。将影响乘客出行路径选择的多要素分为确定性要素和不确定性要素,通过样本训练神经元的抑制系数和激励系数,结合转换函数将结果传导给输出层输出。与传统模型相比,该模型更符合乘客出行选择的多要素心理。最后通过对比客流调查结果和Logit模型表明,在排除其他要素的干扰下,该方法能够较好的实现客流在不同线路的清分。